Comparing the Accuracy of Hierarchical Agglomerative and K-means Clustering on Mobile Augmented Reality Usability Metrics
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F62690094%3A18450%2F19%3A50016631" target="_blank" >RIV/62690094:18450/19:50016631 - isvavai.cz</a>
Výsledek na webu
<a href="http://dx.doi.org/10.1109/ICBDA47563.2019.8987044" target="_blank" >http://dx.doi.org/10.1109/ICBDA47563.2019.8987044</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1109/ICBDA47563.2019.8987044" target="_blank" >10.1109/ICBDA47563.2019.8987044</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Comparing the Accuracy of Hierarchical Agglomerative and K-means Clustering on Mobile Augmented Reality Usability Metrics
Popis výsledku v původním jazyce
This article presents the experimental work of comparing the performances of two machine learning approaches, namely Hierarchical Agglomerative Clustering and K-means Clustering on Mobile Augmented Reality Usability datasets. The datasets comprises of 2 separate categories of data, namely performance and self-reported, which are completely different in nature, techniques and affiliated biases. This research will first present the background and related literature before presenting initial findings of identified problems and objectives. This paper will the present in detail the proposed methodology before presenting the evidences and discussion of comparing this two widely used machine learning approach on usability data.
Název v anglickém jazyce
Comparing the Accuracy of Hierarchical Agglomerative and K-means Clustering on Mobile Augmented Reality Usability Metrics
Popis výsledku anglicky
This article presents the experimental work of comparing the performances of two machine learning approaches, namely Hierarchical Agglomerative Clustering and K-means Clustering on Mobile Augmented Reality Usability datasets. The datasets comprises of 2 separate categories of data, namely performance and self-reported, which are completely different in nature, techniques and affiliated biases. This research will first present the background and related literature before presenting initial findings of identified problems and objectives. This paper will the present in detail the proposed methodology before presenting the evidences and discussion of comparing this two widely used machine learning approach on usability data.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
—
OECD FORD obor
10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)
Návaznosti výsledku
Projekt
—
Návaznosti
S - Specificky vyzkum na vysokych skolach
Ostatní
Rok uplatnění
2019
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název statě ve sborníku
2019 IEEE Conference on Big Data and Analytics, ICBDA 2019
ISBN
978-1-72813-308-9
ISSN
—
e-ISSN
—
Počet stran výsledku
7
Strana od-do
34-40
Název nakladatele
Institute of Electrical and Electronics Engineers Inc.
Místo vydání
US, piscataway
Místo konání akce
Penang, Malaysia
Datum konání akce
19. 11. 2019
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
—